随着互联网的快速普及,用户从网上获取知识与信息变得更加方便,但代价是数据爆炸式增长所带来的数据过载,降低了用户获取信息的效率。智能问答可以从大规模数据中快速捕捉用户提问的相关信息,但传统的智能问答方法存在下列两个缺点:(1)依赖于精细的特征工程。这种人工定制的特征提取策略需要专家知识且主观性太强,在不同问答场景下的推广能力较差。(2)传统问答技术多基于词频等统计特征,无法捕捉到文本的上下文信息,而这些上下文信息对分析文本语义至关重要。经过近十余载的快速发展,深度学习在众多研究领域都取得了重要突破,从而证明了深度模型的特征表达能力指数倍于浅层模型。此外,多种注意力机制的引入,进一步提高了深度模型对复杂文本语义的表达能力。基于上述思考,本文主要研究如何利用深度模型与注意力机制来应对智能问答任务。本文的主要研究内容有:(1)针对特征提取问题,本文设计了一种基于注意力的双向LSTM模型用于特征提取并应用到智能问答任务中。双向LSTM网络模型通过加入三种“门”的结构,解决了传统循环神经网络的梯度消失问题;并且由于其在正反两个方向分别提取特征,从而解决了特征缺少上下文信息的问题。(2)研究对比了几种经典注意力机制在智能问答任务上的效果。本文在面向智能问答的深度模型中引入了性能最优的自注意力机制。自注意力机制通过计算文本序列中不同词汇的重要性分布向量,将词汇的重要信息融入到文本的高层次特征表达中。该机制在一定程度上避免了提取语义特征的过程中出现的信息冗余,并且凸显了文本序列中的重要性信息。本文在InsuranceQA等公开问答数据集上验证了模型。实验结果表明,本文设计的基于自注意力深度循环网络在智能问答任务上的效果优于其他基于深度学习的智能问答算法。